出行者对“互联网+公路客运”接受度特性研究

温惠英，梅家骏

(华南理工大学 土木与交通学院，广东 广州 510641)

0 引 言

随着我国综合交通运输体系与互联网技术的不断完善，道路客运进入转型发展期。公路客运融合互联网，不仅限于技术的运用，还要求客运企业应当具备互联网思维，从乘客的角度出发，了解其对互联网大数据模式下全新运营组织形式的接受程度，从源头上把握乘客需求，正确把握其发展趋势，为后续工作开展提供依据与支撑[1-3]。在传统公路客运发班排班、线网规划、票价制定和换乘等方面，国内外学者做出了一系列研究。国外方面：M. H. BAAJ等利用基于人工智能的启发式算法求解公交线网优化问题，取得良好效果[4]；S. B. PATTNAIK等以公交乘客出行费用和运营费用总和最小为目标进行公交线网设计，首先生成候选路网，然后基于遗传算法从候选路网中选择并确定路网[5]；K. K. T. LEE等研究出提高换乘衔接效率的方法，可采用优化各种交通方式之间的缓冲时间，且研究了各种交通方式之间的换乘关系[6]；YAN Shangyao等对城市公交发班时间、线路开发及规划两方面进行相关模型及算法研究[7]；C. L. MARTINS等对FBDP问题进行研究[8]。国内方面：单连龙等提出用双层规划模型来描述连续平衡公交网络设计问题[9]；冯树民等从节点、线路和线网3方面对公交线网优化约束条件和目标函数进行研究[10]；史峰等利用连续时间马氏纯灭过程理论和Bellman 动态规划最优化原理， 结合已知票价集和对应的需求概率集，给出了动态票价调整的递推式，并设计了最优策略和实用策略的求解方法，为提升票价计算子系统功能提供了非常重要的理论指导[11]。

已有的关于公路客运的研究为传统公路客运系统优化提供了很好的方法和思路，但对公路客运与互联网结合下的发展研究较缺乏。“互联网+公路客运”是以互联网票务系统为切入点，建设多渠道、多方式、交互式、体验式的道路客运公众出行信息服务系统，满足预订、在线查询、在线支付需求，进而利用互联网平台大数据稳步推进定制出行服务、动态票价、联程联运和一票制等服务，完成从“可以走”到“走得好”的个性化、多元化延伸。

基于出行者对“互联网+公路客运”接受度调研结果，首先分析了影响出行者对“互联网+公路客运”接受度的因素，并通过相关性分析、交叉分析等方法对现有“互联网+公路客运”接受度特性进行定量与定性分析。然后针对“互联网+公路客运”多种模式的未来发展，建立了累积概率的有序多分类Logistic回归分析模型。研究在于可从乘客角度出发，进行以乘客为中心的价值链观念再造，为道路客运适应移动互联网时代发展新要求和有针对性的推广“互联网+公路客运”提供重要依据，为满足人民出行新趋势、创新道路客运组织方式、创新道路客运运营模式、增加道路客运综合竞争能力、最终形成基于传统道路客运的新经济形态提供重要支撑。

1 “互联网+公路客运”接受度影响因素

通过分析出行者对“互联网+公路客运”的接受度，发现影响出行者对“互联网+公路客运”接受度的因素很多，主要包括公路客运出行特性、出行者个人属性、社会经济及其他因素等，出行者对“互联网+公路客运”的接受度影响因素见图1。分析影响因素为调查问卷设计提供了依据。

图1 出行者对“互联网+公路客运”的接受度影响因素Fig. 1 Influence factors of travellers’ acceptability of “internetplus highway passenger transport”

2 现有“互联网+公路客运”接受度特性

2.1 调查方法与内容

2016年，对广州市公路客运出行者开展了“互联网+公路客运”接受度特性调查。调查地点为广州市区的6个大型公路客运车站，包括一级车站、二级车站和三级车站3种类型，以降低样本的多重共线性。接受度特性调查主要采用拦截问询法进行，共收集问卷1 200余份，其中有效问卷978份，问卷有效率为81.5%。出行者对现有“互联网+公路客运”接受度特性调查问卷内容包括3个部分：

1)乘客基本信息。包括个人统计特征变量，为性别、年龄、职业、学历、收入。

2)乘客公路客运交通需求信息。包括出行时间段、出行目的、年公路客运出行次数和选择公路客运出行原因。

3)“互联网+公路客运”接受度信息。采用5分制李克特量表法(Likert Scale)研究乘客对“互联网+公路客运”购票、查看出行信息、查看票务信息、票务信息满意度、实时排班、动态票价、拼车换乘和联票机制等的接受度特性。

2.2 公路客运出行购票方式分析

2.2.1 出行购票方式总体特征

调查发现，在所有购票方式中，选择互联网购票的乘客最多(占比49.21%)，其次是车站购票(占比28.47%)和代售点购票(占比10.62%)，可见采用互联网平台购票的群体最大，结果如图2。

图2 出行购票方式Fig. 2 Ways to buy ticket

针对“如果互联网票务具有哪些优势，会选择使用互联网票务系统”这一问题调查乘客对“互联网+”票务系统需求，30.79%的出行者认为如果可以享受网上退票服务，并按实际情况退换费用，会使用互联网票务系统，占比最多，分析结果如图3。

图3 乘客对“互联网+”票务系统需求Fig. 3 Passengers’ demand for “internet plus” ticketing system

2.2.2 出行购票方式与出行者社会属性交叉分析

将乘客出行购票方式与其社会属性进行相关性分析与交叉分析，有利于把握不同属性层次的乘客对于“互联网+”票务系统的接受独特性，进而有针对性的推广“互联网+公路客运”。通过对受访者出行购票方式与其社会属性之间的相关性进行分析，选取置信水平为95%。分析结果表明，受访者出行购票方式与年龄、职业、学历、月收入等个人属性因素相关，而与性别、出行目的、出行时段和年公路客运出行次数的相关性不明显，分析结果如表1。

表1 出行购票方式与乘客社会属性相关性分析Table 1 Ccorrelation analysis between the ways to buy travel ticketsand the social attributes of passengers

注：*表示在0.05水平(双侧)上显著相关；**表示在0.01水平(双侧)上显著相关。

进一步具体交叉分析发现，月收入方面，月收入8 000元是特殊点。移动终端购票和代售点购票分担比例都在8 000元以下阶段呈上升趋势，在8 000元以上阶段呈下降趋势；车站购票和电话购票分担比例恰好相反，都在8 000元以下阶段呈下降趋势，在8 000元以上阶段呈上升趋势。电脑网上购票分担比例则与月收入关系不明显，说明其适用人群较广。分析结果如图4。

图4 出行购票方式与月收入交叉分析Fig. 4 Cross analysis between the ways to buy travel ticket andmonthly income

学历方面，大专和本科学历是特殊点。移动终端购票分担比例在本科以下呈上升趋势，在本科以上呈下降趋势；车站购票分担比例在本科以下呈下降趋势，在本科以上呈上升趋势；电脑网上购票和电话购票在大专以下呈上升趋势，在大专以上呈下降趋势；代售点购票则随学历增高呈下降趋势。分析结果如图5。

图5 出行购票方式与学历交叉分析Fig. 5 Cross analysis between the ways to buy travel ticket andeducation degree

年龄方面：21～35岁青年与中年阶段是特殊点。移动终端购票和电脑网上购票分担比例在35岁以下呈上升趋势，在35岁以上呈下降趋势，且移动终端购票的下降趋势更快；车站购票、代售点购票和电话购票分担比例则随年龄的上升而上升。中国网民群体呈现年轻化特征，年龄较小出行者对互联网的认知和使用频率更高，所以，在选择公路客运出行的购票方式时，年龄较大出行者更倾向于传统的购票方式，如车站购票、代售点购票和电话购票等，而年龄较小出行者会选择手机或电脑网上购票。分析结果如图6。

从职业方面分析，学生使用电脑网上购票最多，事业单位工作人员使用移动终端购票最多，事业单位工作人员使用电话购票最少，公务人员使用车站购票最少，公务人员使用代售点购票最少，分析结果如图7。

图6 出行购票方式与年龄交叉分析Fig. 6 Cross analysis between the ways to buy travel ticket and age

图7 出行购票方式与职业交叉分析Fig. 7 Cross analysis between the ways to buy travel ticket andoccupation

将乘客对“互联网+”票务系统需求与其社会属性进行交叉分析，有利于针对特殊群体制定更为精确的“互联网+”票务系统推广策略。

月收入方面：收入越高越注重无需取票与可实时查询票务办理改签服务；可实时查询班次的正晚点信息和可享网上退票服务则更引起中收入群体的注重。分析结果如图8。

学历方面，基本上学历越高对4种方式的需求度越高，唯一例外的是本科学历对可实时查询班次的正晚点信息的需求度较低。分析结果如图9。

图8 “互联网+”票务系统需求与月收入交叉分析Fig. 8 Cross analysis between “internet plus” ticketing systemand monthly income

图9 “互联网+”票务系统需求与学历交叉分析Fig. 9 Cross analysis between “internet plus” ticketing systemand education degree

年龄方面：50岁之前对于可享网上退票服务和可实时查询票务办理改签服务的需求度随年龄增加而增加，50岁之后随年龄增加而降低；无需取票和可实时查询票务办理改签服务的需求随年龄变化趋势相近，在21～35岁和51～65岁较高，在20岁及以下和36～50岁较低。分析结果如图10。

图10 “互联网+”票务系统需求与年龄交叉分析Fig. 10 Cross analysis between “internet plus” ticketing systemand age

职业方面：企业员工和学生对无需取票最为重视，对可实时查询票务办理改签服务最不重视；企业员工对可实时查询班次的正晚点信息最重视；公务人员对可享网上退票服务最重视，对可实时查询班次的正晚点信息最不重视；私营企业主对无需退票最重视，对可享网上退票服务最不重视；事业单位工作人员对可实时查询票务办理改签服务最重视，对可享网上退票服务最不重视。分析结果如图11。

图11 “互联网+”票务系统需求与职业交叉分析Fig. 11 Cross analysis between “internet plus” ticketing system andoccupation

2.3 “互联网+公路客运”接受现状分析

2.3.1 “互联网+”查看信息频率

除了利用互联网购买车票外，公路客运出行者还会上网查看公路客运的实时出行情况、车票等信息。相关性分析表明，受访居民“互联网+”查看信息频率与其出行目的、出行时段、年公路客运出行次数、“互联网+”购票方式等公路客运交通需求方面的变量相关，而与性别、年龄、职业、学历和月收入等个人属性因素的相关性不强。

表2 “互联网+”模式查看信息频率与乘客社会属性相关性分析Table 2 Correlation analysis between the frequency to view informationby “internet plus” mode and the social attributes of passengers

注：*表示在0.05水平(双侧)上显著相关；**表示在0.01水平(双侧)上显著相关。

出行目的方面，就医和公务商务出行利用“互联网+”查看客运信息及车票信息的频率最高，其“总是”与“经常”的频率之和分别为68%和45.1%。出行时段方面，工作日出行利用“互联网+”查看客运信息及车票信息的频率最高，其“总是”与“经常”的频率之和为47%。年出行次数方面，8次以上出行利用“互联网+”查看客运信息及车票信息的频率最高，其“总是”与“经常”的频率之和为46.8%。购票方式方面，移动终端购票比电脑购票查看客运信息及车票信息的频率高，其“总是”与“经常”的频率之和为51%。分析结果如图12～图15。

图12 “互联网+”模式查看信息频率与出行目的交叉分析Fig. 12 Cross analysis between the frequency to view information by“internet plus” mode and travel purpose

图13 “互联网+”模式查看信息频率与出行时段交叉分析Fig. 13 Cross analysis between the frequency to view informationby “internet plus” mode and travel time

图14 “互联网+”模式查看信息频率与年出行次数交叉分析Fig. 14 Cross analysis between the frequency to view information by“internet+” mode and travel times of a year

图15 “互联网+”模式查看信息频率与购票方式交叉分析Fig. 15 Cross analysis between the frequency to view information by“internet plus” mode and ways to buy tickets

2.3.2 “互联网+”票务系统满意度

进一步分析发现，61.35%受访者表示对公路客运票务系统感到很满意或较满意，只有不到5%出行者认为其不满足自身需求，分析结果如图16。可见，出行者对目前公路客运票务系统数据的满意度水平较高。

此外，认为互联网对公路客运很有帮助和有一定帮助的受访者为总数的82.22%，如图17。可见，乘客利用手机、电脑等方式上网购买公路客运车票、查看实时客运信息已较为普遍，互联网对乘客的公路客运出行帮助较大。

图16 公路客运票务系统数据的满意度Fig. 16 Satisfaction to highway passenger ticketing system data

图17 互联网对公路客运出行的帮助程度Fig. 17 Help degree of Internet to highway passengertransportation

3 未来“互联网+公路客运”发展接受 度特性

3.1 有序Logistic模型构建

利用“互联网+公路客运模式下根据乘客发布出行需求信息实时排班接受度”、“互联网+公路客运模式下根据乘客实际出行情况动态票价接受度”、“互联网+公路客运模式下拼车与换乘接受度”和“互联网+公路客运模式下联票机制接受度”这4个决策变量进行衡量，为了方便回归分析，对响应变量与影响因素变量进行数值转换，按次序转化为从1开始的整数序列[12]。

先对4个接受度模型进行平行线检验(test of parallel lines)，其检验结果P均大于0.05，如表3，说明各回归方程互相平行，可使用Ordinal Regression过程进行分析。

表3 平行线检验结果Table 3 Parallel line test results

假设接受度水平划分为k个级别，则有序多分类Logistic回归分析模型对应有k-1 个公式，则累积的Logistic模型可表示为式(1)：

ai+BX,i=1,2,,k-1

(1)

式中：Li为第i个累积的Logistic模型；i为指示响应变量的水平，即4个决策变量的接受度；Y为响应变量向量；X为自变量向量；ai为第i个模型的截距参数；B为斜率向量；P(Y=j|X)为4个决策变量接受度属于j时的概率。

求得各接受度水平下累积的Logistic模型Li后，通过换算得到4个决策变量接受度属于各级别的概率如式(2)：

P(Y=j|X1,X2,,Xm)=

(2)

式中：X1，X2，，Xm为m个影响因素；b1，b2，，bm为回归系数。首先尽量全面选取可能的影响因素，如表4。

表4 Logistic模型影响因素Table 4 Influencing factors of Logistic regression model

采用后退逐步回归法剔除模型中不显著的影响因素，分别对4个决策变量与其影响因素的数据进行有序多分类 Logistic 回归分析，分别得到4个接受度与显著性影响因素之间的有序Logistic回归模型参数。

3.2 模型检验

3.2.1 拟合优度检验

表5是Deviance、皮尔逊χ2、Hosmer-Lemeshow统计量拟合优度检验的结果。从表5可看出，Deviance、皮尔逊χ2、Hosmer-Lemeshow统计量的P值均大于0.05，所以在显著性水平α=0.05的条件下，χ2检验不显著，认为模型拟合数据较好。

表5 拟合优度检验Table 5 Test of fitting goodness

3.2.2 预测准确度检验

表6是序次相关指标的准确度检验结果。4个接受独特性除Tau-a指标外，其余3个指标都不小于0.7，表示预测概率与因变量之间的关联程度较高，说明建立的Logistic模型的预测能力较好。

表6 序次相关指标的准确度Table 6 Accuracy of rank correlation index

根据参数估计和相应的检验结果，在95%的置信水平下，最终保留与4个决策变量相关性显著的变量，分析结果如表7～表10。

3.3 “互联网+公路客运”实时排班

道路客运企业要积极提供定制化出行服务，充分发挥门到门优势，探索提供各类定制客运班线等服务。表7为“互联网+公路客运”实时排班有序Logistic回归模型结果。

表7 实时排班有序Logistic回归模型参数Table 7 Orderly Logistic regression model parameters withreal-time sechduling

由表7可知：月收入、职业、公路客运出行时间、年公路客运出行次数、互联网票务系统数据满意度均会引起“互联网+公路客运”实时排班接受度的变化；中等收入者(5 000～8 000元)接受度最高，低收入者(3 000元及以下)接受度最低，说明低收入者更希望的是一种稳定的客运班线形式，中高收入者对客运定制化服务的需求大，更希望体验品质化的客运服务；学生和公务人员接受度最高，私营企业主接受度最低；工作日出行比节假日出行接受度高，说明工作日出行多的群体对目前的客运班线仍有一些改进的愿景，实时排班更能解决工作出行的需求；年出行次数越少接受度越高，说明出行次数少的群体对实时排班有更大需求，可以有针对性的向其推广使其更多的转向公路客运出行；互联网票务系统数据满意度越高接受度越高。

3.4 “互联网+公路客运”动态票价

客运企业在未来可依托互联网大数据，根据市场自主定价，通过打折、动态调整票价来吸引客流，对客运企业和乘客实现双赢。表8为“互联网+公路客运”动态票价有序Logistic回归模型结果。

表8 动态票价有序Logistic回归模型参数Table 8 Orderly Logistic regression model parameterswith dynamic fare

由表8可知：月收入、职业、公路客运出行时间、年公路客运出行次数、移动终端购买公路客运车票频率、互联网票务系统数据满意度均会引起“互联网+公路客运”动态票价接受度的变化；低收入者(3 000元及以下)接受度最高，高收入者(8 000元及以上)接受度最低，说明低收入者更希望公路客运票价能以动态形式调整，减轻其支出负担，而高收入群体对目前的票价认可度较高，希望其维持稳定的状态；企业员工和公务人员接受度较高，学生、私营企业主和事业单位工作人员接受度较低；工作日出行比节假日出行接受度高，说明工作日出行群体更希望出行时能享受弹性票价，节假日出行群体则更为偏向保守；年公路出行次数很少(2次以下)和很多(8次以上)接受度较高，出行次数中等(2～7次)接受度较低，说明出行次数多与少两个极端对目前票价表示满意，更希望票价能保持稳定，而出行次数中等群体对弹性票价更为期待；偶尔使用移动终端购买公路客运车票接受度最高；互联网票务系统数据满意度越高接受度越高。

3.5 “互联网+公路客运”拼车换乘

为了让公路客运乘车方式更为灵活，可以引入“互联网+公路客运”拼车换乘。站点拼车即出行的出发点与目的地在同一客运班线上的乘客乘坐同一车次出行，换乘即由出行出发点到目的地跨线或跨班次乘坐客运班车的行为。表9为“互联网+公路客运”模式下拼车换乘有序Logistic回归模型结果。

表9 拼车换乘有序Logistic回归模型参数Table 9 Orderly Logistic regression model parameters withcarpooling and transfer

由表9可知：年龄、月收入、学历、职业、公路客运出行时间、互联网票务系统数据满意度均会引起“互联网+公路客运”拼车换乘接受度的变化；年龄越低接受度越高，说明低年龄段对于运力共享模式更为认可；低收入者(3 000元及以下)接受度最低，中等收入者(5 000～8 000元)接受度最高，与实时排班相似，低收入者更希望稳定的客运班线形式，中高收入者则可能认为组织模式创新也是定制化客运的一种体现，对此接受程度较高；学历越高接受度越高，说明高学历群体更认同可将有用的闲散资源进行整合，节约资源，提高效率；出行时间不固定接受度高于工作日高于节假日；互联网票务系统数据满意度越高接受度越高。

3.6 “互联网+公路客运”联票机制

为了打破传统客运包车企业“靠旅游公司吃饭”的局面，拓展自身的业务范围和合作渠道，包车企业可以寻求与旅游景区对接、与景区周边的餐饮住宿等商户合作，打造“互联网+公路客运” 联票机制，即车票+旅游门票+住宿一票制一条龙服务。表10为“互联网+公路客运”联票机制有序Logistic回归模型结果。

表10 联票机制有序Logistic回归模型参数Table 10 Orderly Logistic regression model parameters with couponmechanism

由表10可知：性别、年龄、职业、公路客运出行时间、是否使用“互联网+”平台购买公路客运车票和互联网票务系统数据满意度均会引起“互联网+公路客运”联票机制接受度的变化；男性群体比女性群体接受度高，说明女性可能比男性更倾向由自己来全盘设计旅游每个环节的细节，男性则更为粗放的乐意寻求一个整体的旅游解决方案；公务人员接受度最高，学生接受度最低；工作日出行比节假日出行接受度高；不使用“互联网+”平台购买公路客运车票的群体比使用的群体接受度高，说明可能使用“互联网+”平台购票的群体更为熟悉对于互联网平台的应用，擅长利用其解决除了车票之外的其他问题，从而搭配出高度个性化的旅游方案，而不使用的群体对于现成的整套旅游方案则接受度更高；互联网票务系统数据满意度越高接受度越高，此点在以上4个方面均保持一致，说明对目前票务系统的满意度很大程度上影响对未来“互联网+公路客运”发展的接受度。

4 结 论

针对出行者对“互联网+公路客运”接受度特性，基于问卷调查数据，进行了实证研究与分析，主要得到以下结论：

1)乘客对“互联网+”购票方式已有一定倾向性，且更倾向于移动终端购票。对购票方式的选择与乘客个人基本属性有较强相关性，其中以年龄、职业、学历、月收入相关性最为明显，且表现出了不同的特征。乘客对“互联网+”票务系统可以享受网上退票服务需求最大。

2)乘客利用“互联网+”手段查看信息频率与其公路客运交通需求有较强相关性，其中以出行目的、出行时段、年公路客运出行次数、“互联网+”购票方式相关性最明显，且表现出不同的特征。超过六成受访者对目前公路客运票务系统感到很满意或较满意，认为其对公路客运出行很有帮助或有一定帮助的受访者超过八成。

3)建立有序多分类Logistic模型分析“互联网+公路客运”未来发展接受度特性，在4个方面分别有独特的因素引起其接受度变化。因此未来“互联网+公路客运”的发展应当充分考虑不同属性层次群体的接受度独特性。

笔者针对出行者对“互联网+公路客运”的接受度做了以上研究，试图从“互联网+公路客运”现有票务系统与未来发展趋势的角度描述“互联网+公路客运”接受度特性。但对“互联网+公路客运”利用大数据把握乘客需求进行转型升级的复杂巨系统来说，这个视角略显薄弱，希望能在后续研究中继续完善。